Kvantify Qrunch, Amazon Braket 통해 NISQ 시대 양자화학 계산 장벽 낮춘다

왜 지금, 왜 양자화학인가

분자 수준의 전자 상관관계를 정확히 모사하는 일은 제약·바이오·소재 산업의 핵심 과제다. 그러나 현세대 NISQ(Noisy Intermediate-Scale Quantum) 장치는 회로 깊이·노이즈 한계로 인해 화학적으로 유의미한 계산을 안정적으로 수행하기 어렵다. Qrunch는 이 간극을 메우기 위해, 양자회로 설계와 하드웨어 라우팅의 복잡성을 소프트웨어 계층 안에 은닉하고 계산화학자가 Python 인터페이스만으로 문제를 정의·실행할 수 있게 한다.

핵심 알고리즘: FAST-VQE와 BEAST-VQE

Qrunch의 양자 계산 엔진은 Kvantify가 자체 개발한 두 변분 양자 고유값 풀이 알고리즘을 기반으로 한다. FAST-VQE는 단일·이중 전자 들뜸을 모두 고려해 기저 상태 에너지에 적응적으로 접근하며, BEAST-VQE는 전자쌍 들뜸만을 다루는 보손 근사 방식을 택한다. 이 근사를 통해 BEAST-VQE는 필요 큐비트 수를 절반으로 줄이고, 측정 횟수를 상수 수준으로 고정한다. 기존 VQE에서 측정 수가 시스템 크기 N의 4제곱에 비례해 증가하는 것과 대조적이다. 두 알고리즘 모두 공통 샘플링 전략 덕분에 일정 수준의 노이즈 내성을 갖는다고 개발사 측은 설명한다.

투영 임베딩과 다층 계산 전략

분자 전체를 양자 계산으로 처리하는 대신, Qrunch는 투영 임베딩(projective embedding) 기법을 활용해 분자를 동심원 층으로 나눈다. 정적 전자 상관이 중요한 내부 영역에 양자 계산을 집중하고, 외곽 영역에는 밀도범함수이론(DFT)을, 최외곽에는 분자역학(MM)을 선택적으로 적용할 수 있다. 이를 통해 계산 자원을 경제적으로 배분하면서도 대형 분자 시스템을 다룰 수 있는 확장성을 확보한다.

백엔드 유연성과 실용적 진입 장벽

Qrunch 내장 시뮬레이터는 노트북 수준 하드웨어에서 30큐비트 문제를 약 1초 내에 시뮬레이션할 수 있다고 명시돼 있다. 실제 양자 하드웨어 실행은 Amazon Braket의 API를 통해 Rigetti(초전도), IQM(초전도), IonQ(이온 포획) 장치로 몇 줄의 코드로 연결된다. 활용 분야로는 신약 개발, 효소 반응 분석, 탄소 포집이 제시된다.

한계와 관찰

현세대 NISQ 장치에서 실제 화학적 정밀도를 달성하는 데에는 여전히 근본적인 노이즈 장벽이 존재한다. 보손 근사에 기반한 BEAST-VQE는 특정 전자 상관 체계에서 정확도를 희생한다. 개발사 스스로 하이브리드 알고리즘의 한계로 항상 고전 계산 부하가 수반됨을 인정하고 있으며, 확장성 주장에 대한 독립적 벤치마크는 아직 공개되지 않았다.